論文の概要: End-to-End Fairness Optimization with Fair Decision-Focused Learning
- arxiv url: http://arxiv.org/abs/2607.29441v1
- Date: Fri, 31 Jul 2026 14:07:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 16:35:22.245016
- Title: End-to-End Fairness Optimization with Fair Decision-Focused Learning
- Title（参考訳）: 公平決定型学習によるエンドツーエンドの公正度最適化
- Abstract要約: 本稿では,予測対決定パイプライン間の公平性を統合する統一フレームワークとして,エンドツーエンドの公正度最適化(E2EFO)を導入する。
本枠組みでは,予測精度,予測公正性,決定後悔を共同で考慮した学習パラダイムを提案する。
- 参考スコア（独自算出の注目度）: 20.41775720778342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many real-world systems rely on predictive models to inform decisions, and fairness concerns arise in both the prediction and decision stages. We introduce end-to-end fairness optimization (E2EFO) as a unifying framework that integrates fairness across the prediction-to-decision pipeline. We focus on resource allocation with group-based fairness: the prediction task estimates allocation impacts while limiting accuracy disparity across groups, and the decision task distributes those impacts equitably by optimizing a group-based alpha-fairness measure. Within this framework, we propose fair decision-focused learning (FDFL), a training paradigm that jointly accounts for prediction accuracy, prediction fairness, and decision regret -- the loss in decision fairness due to imperfect predictions. FDFL trains the predictor by gradient descent, combining the objective gradients through multi-task learning techniques. The core computational challenge is the decision Jacobian with respect to the predictor parameters: we derive exact closed-form formulas for a tractable class of fair allocation and apply a differentiable optimization layer in the general case. We further establish a finite-sample generalization bound for the scalarized FDFL objective. Numerical experiments on a healthcare-based single resource allocation and a synthetic multiple resource allocation illustrate the value of jointly accounting for prediction fairness and decision fairness in prediction-informed decision-making.
- Abstract（参考訳）: 多くの現実世界のシステムは、決定を伝えるために予測モデルに依存しており、予測と決定の段階の両方に公平性に関する懸念が生じる。
本稿では,予測対決定パイプライン間の公平性を統合する統一フレームワークとして,エンドツーエンドの公正度最適化(E2EFO)を導入する。
予測タスクは、グループ間の精度格差を抑えつつ、影響を推定し、決定タスクは、グループベースのアルファフェアネス尺度を最適化することで、その影響を公平に分配する。
本枠組みでは,予測精度,予測公正性,決定後悔を両立させる訓練パラダイムである,不完全な予測による決定公正性の喪失を考慮に入れた公正意思決定中心学習(FDFL)を提案する。
FDFLは、マルチタスク学習技術による目標勾配を組み合わせ、勾配降下による予測器の訓練を行う。
計算の核となる課題は、予測パラメータに関するジャコビアンの決定である: 抽出可能なフェアアロケーションのクラスに対して正確な閉形式式を導出し、一般の場合において微分可能な最適化層を適用する。
さらに、スカラー化されたFDFL目的に対して有限サンプル一般化を定めている。
医療ベースの単一資源割当と合成多重資源割当に関する数値実験は、予測情報に基づく意思決定における予測公正性と決定公正性に対する共同会計の価値を実証する。
関連論文リスト
- Fairness vs Performance: Characterizing the Pareto Frontier of Algorithmic Decision Systems [0.0]
公正なアルゴリズム決定システムの設計には、影響のある個人に対して公平さでモデル性能のバランスをとる必要がある。
多目的最適化問題として意思決定を概念化し,二項予測に基づく意思決定問題の公平性を検討する。
論文 参考訳（メタデータ） (2026-05-11T14:04:27Z) - Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。
DAPPrは可能性理論を利用した原則的なフレームワークである。
この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
論文 参考訳（メタデータ） (2026-05-01T12:14:01Z) - Fair regression under localized demographic parity constraints [9.082079838093371]
F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。
合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
論文 参考訳（メタデータ） (2026-03-26T09:21:05Z) - The Statistical Fairness-Accuracy Frontier [50.323024516295725]
機械学習モデルは正確性と公平さのバランスをとる必要があるが、これらの目標はしばしば矛盾する。
このトレードオフを理解するための有用なツールとしてフェアネス・精度フロンティアがあり、フェアネスと精度の両方で同時に改善できないモデルの集合を特徴付ける。
本研究では, 有限サンプル体制におけるFAフロンティアについて検討し, 人口の減少と, 最悪のケースギャップの定量化について検討した。
論文 参考訳（メタデータ） (2025-08-25T03:01:35Z) - Online Decision-Focused Learning [74.3205104323777]
意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。
本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。
また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
論文 参考訳（メタデータ） (2025-05-19T10:40:30Z) - Decision-centric fairness: Evaluation and optimization for resource allocation problems [1.5623752145311105]
本稿では,意思決定領域内でのみ公平性をもたらす意思決定中心の公平性手法を提案する。
我々は、複数の(半合成)データセットに対するグローバルフェアネスアプローチに対して、我々のアプローチを実証的に比較した。
論文 参考訳（メタデータ） (2025-04-29T11:12:36Z) - Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。
本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文 参考訳（メタデータ） (2023-09-15T13:04:55Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳（メタデータ） (2023-05-27T19:57:27Z) - Federated Learning as Variational Inference: A Scalable Expectation
Propagation Approach [66.9033666087719]
本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。
我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
論文 参考訳（メタデータ） (2023-02-08T17:58:11Z) - The Sharpe predictor for fairness in machine learning [0.0]
機械学習の応用においては、不公平な予測が少数派に対して差別されることがある。
フェア機械学習(FML)の既存のアプローチは、MLモデルの最適化において、フェアネスを制約またはペナル化用語として扱う。
本稿では,Multi-Objective Optimization(SMOO)に基づくFMLの新しいパラダイムを提案する。
FMLのシャープ予測器は、予測リスク(不公平)の単位当たりの最も高い予測リターン(精度)を提供する。
論文 参考訳（メタデータ） (2021-08-13T22:22:34Z) - Accuracy and Fairness Trade-offs in Machine Learning: A Stochastic
Multi-Objective Approach [0.0]
機械学習を実生活の意思決定システムに適用すると、予測結果は機密性の高い属性を持つ人々に対して差別され、不公平になる可能性がある。
公正機械学習における一般的な戦略は、予測損失の最小化において、制約や罰則として公正さを含めることである。
本稿では,多目的最適化問題を定式化して公平性を扱うための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-08-03T18:51:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。